Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem jest przekazanie studentom wiedzy w zakresie zaawansowanych metod i narzędzi sztucznej inteligencji do rozwiązywania złożonych zadań w zarządzaniu i inżynierii produkcji. Przedstawienie również nowoczesnych technologii i systemów do wspomagania podejmowania decyzji w przedsiębiorstwach funkcjonujących w warunkach niepewności. Zaprezentowanie nowoczesnych zaawansowanych metod i narzędzi w zakresie inżynierii i analizy danych (Data science) oraz możliwości ich zastosowań w ramach koncepcji Przemysł 4.0.

Ogólne informacje o zajęciach: Przekazywana w ramach modułu wiedza wykracza poza poziom podstawowego programu nauczania na kierunku, stanowi ważne uzupełnienie w wiedzę zaawansowaną w zakresie zastosowań nowoczesnych metod informatycznych, w tym sztucznej inteligencji do wspomagania decyzji w zarządzaniu i inżynierii produkcji

Materiały dydaktyczne: gsetlak.v.prz.edu.pl

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1	Osowski S.	Metody i narzędzia eksploracji danych	Wydawnictwo BTC, LEGIONOWO.	2013
2	Alexander M., J. Decker, B. Wehbe	Analizy Business Intelligence	Helion, Gliwice.	2015
3	Morzy T.	Eksploracja danych. Metody i techniki	PWN, Warszawa.	2013
4	Foreman J.	Mistrz analizy. Od danych do wiedzy	HELION, Gliwice.	2017
5	Dmowski J.	Przemysł 4.0 PL. Szansa czy zagrożenie dla rozwoju innowacyjnej gospodarki?	The Boston Consulting Group, Warszawa .	2016

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Foster Provost, Tom Fawcett

Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji,

Helion, Gliwice.

2015

Literatura do samodzielnego studiowania

1

Aileen Nielsen

Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego

Helion.

2020

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student/Studentka musi być zarejestrowany na liście osób uprawnionych do zaliczenia przedmiotu

Wymagania wstępne w kategorii Wiedzy: Podstawowy zakres wiedzy obowiązujący na kierunku studiów i specjalności Informatyka w zarządzaniu przedsiębiorstwem, w tym z Podstaw sztucznej inteligencji

Wymagania wstępne w kategorii Umiejętności: Umiejętność obsługi podstawowego oprogramowania

Wymagania wstępne w kategorii Kompetencji społecznych: Umiejętność samodzielnego poszerzania swej wiedzy i doskonalenia umiejętności zawodowych

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z PRK
01	zna zaawansowane metody i narzędzia sztucznej inteligencji i potrafi je wykorzystać do eksploracji danych i wielowymiarowych analiz	wykład, wykład interaktywny	zaliczenie cz. ustna, zaliczenie cz. praktyczna	K_U01+	P6S_UW
02	zna nowoczesne systemy wspomagania decyzji i potrafi określić swoje wymagania dotyczące ich funkcjonalności	wykład interaktywny	zaliczenie cz. ustna	K_U01+	P6S_UW
03	Potrafi wykorzystać zaawansowane metody i odpowiednie narzędzia programowe do analiz danych przemysłowych oraz dostosować te rozwiązania w ramach koncepcji Przemysł 4.0 do właściwych warunków funkcjonowania przedsiębiorstwa	wykład interaktywny	zaliczenie cz. praktyczna	K_W11+	P6S_WK

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
8	TK01	Czwarta rewolucja przemysłowa - koncepcja rozwoju automatyzacji przemysłu Przemysł 4.0. Zbiór technologii, metod oraz zasad funkcjonowania, w tym zarządzania, łańcuchem wartości opartych na: systemach cyber-fizycznych, Internecie Rzeczy, przetwarzaniu w chmurze, Big Data oraz zaawansowana analityka przemysłowa.	W01	MEK01 MEK03
8	TK02	Podstawowe zagadnienia w zakresie Data Science - inżynierii i analizy danych. Data science jako interdyscyplinarna dziedzina, która zajmuje się procesem pozyskania, obróbki, analizy i wizualizacji danych oraz wnioskowania z wykorzystaniem metod statystycznych, eksploracji danych, uczenia maszynowego i analizy predykcyjnej.	W02	MEK01 MEK02
8	TK03	Uczenie maszynowe (Machine Learning) jako podstawowe narzędzia do analizy danych przemysłowych. Metody i narzędzia maszynowego uczenia i możliwości ich zastosowań w zarządzaniu i inżynierii produkcji.	W03	MEK02 MEK03
8	TK04	Głębokie uczenie maszyn uczących się. Sieci neuronowe głębokiego uczenia Konwolucyjne Sieci neuronowe, splotowe (CNN – Convolutional Neural Networks). Rekurencyjne Sieci neuronowe głębokiego uczenia – LSTM.	W04	MEK03
8	TK05	Narzędzia analityczne w pakiecie programowym Microsoft Power BI.. Charakterystyka Microsoft Business Intelligence, jego funkcjonalność, możliwości i zastosowania.	W05	MEK01 MEK03

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 8)	Przygotowanie do kolokwium: 5.00 godz./sem.	Godziny kontaktowe: 10.00 godz./sem.	Studiowanie zalecanej literatury: 8.00 godz./sem.
Konsultacje (sem. 8)
Zaliczenie (sem. 8)	Przygotowanie do zaliczenia: 5.00 godz./sem.

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład	Na zaliczeniu pisemnym wykładu sprawdzana jest realizacja wszystkich efektów modułowych (MEK01-MEK03). Student, aby uzyskać ocenę dostateczną musi uzyskać co najmniej od 50% do 60% poprawnych odpowiedzi, następnie od 60 do 70% - ocenę 3,5, a od 71% do 80% punktów - ocenę dobry, jeżeli uzyska co najmniej 81-90% punktów - ocenę ponad dobry (4,5) oraz ocenę bardzo dobry (5,0), jeżeli uzyska powyżej 91% punktów do 100 %.
Ocena końcowa	Warunkiem zaliczenia modułu jest osiągnięcie wszystkich efektów modułowych i zaliczenie wszystkich form zajęć. Ocena końcowa wyznaczana jest na podstawie oceny z wykładu z wagą 1.0.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

1	Ł. Paśko; G. Setlak	Random Forests in a Glassworks: Knowledge Discovery from Industrial Data	2020
2	Ł. Paśko; M. Piróg; G. Setlak	Pozyskiwanie wiedzy z danych przemysłowych do wspomagania decyzji w procesie produkcyjnym	2019